Методы и алгоритмы интеллектуальной поддержки принятия решений в задачах диагностики технических систем в машиностроении

1.

2.

1
Цель работы: разработка методик и алгоритмов принятия решений
для выявления причинно-следственных связей при неработоспособном
состоянии технических систем, используемых в машиностроении.
Для достижения намеченной цели были поставлены и решены
следующие задачи:
l Анализ методов и средств диагностики технических систем,
используемых в машиностроении, и существующих методов обучения
систем.
1. Определение стратегий, способных решать задачи выявления
причинно-следственных связей и диагностики технических систем,
используемых в машиностроении.
2. Разработка методики нахождения рационального решения задачи
абдукции, т.е. выявления причинно-следственных связей и диагностики
технических систем, использующей алгоритм нейронной сети
Хопфилда.

3. Механизмы логического вывода

2

4. Абдуктивный вывод

Определение. Абдукция – это процесс вывода
причины из следствия или построение объяснений
для наблюдаемых явлений.
Абдуктивное правило имеет вид:
В,
А причина
А
В
Если истинно В и А является причиной В,
то истинно А.
3

5. Недостатки алгоритма конкуренции гипотез

1. В процессе принятия решений остается доля
субъективности,
т.к.
на
начальном
этапе
инициализации сети значения гипотез, элементов
данных и весовых коэффициентов определяет
специалист.
2. Сложность и объем используемых формул.
3. В алгоритме не предусмотрено определение
степени
объяснения
рассматриваемых
данных
гипотезами.
В
результате
этого
остается
неизвестным, объясняет ли выигравшая конкуренцию
гипотеза все элементы рассматриваемых данных
полностью.
4

6. Нахождение рационального решения абдуктивного вывода

Если
, где Г = <МОП, МПр > ,
то, Н С min ,
т.е. учитывая, что Hc = col(h1, h2, …, hT)
dim HC min .
H Г
5
НС Г
C
Здесь Hc – подмножество множества гипотез H, являющееся
лучшим объяснением наблюдаемых данных D0, которое образует
сложную (составную) гипотезу путем синтеза из набора простых
гипотез h1, h2,…;
Г – область допустимых простых гипотез;
MОП – максимальное объяснительное покрытие данных;
МПр – максимальное правдоподобие гипотезы;
dim Hc – вектор, элементы которого являются простыми
гипотезами.

7. Определение значения составной гипотезы

m
Sk G j PHck
j 1
Sk – значение составной гипотезы;
Gj – принадлежность простой j-ой гипотезы к сложной;
PHck – значение покрытия данных гипотезой Hck;
PHck 1 Qij 1 G j
n
m
i 1 j 1
Qij – значения матрицы инцидентности, связывающей
гипотезы и элементы данных.
6

8. Пример определения рациональной гипотезы

Пример покрытия 3-х элементов данных 3-мя гипотезами
Hck
h1
h2
h3
h1,h2
h1,h3
h2,h3
h1,h2,h3
Sk
5
4
3
3
3
2
3
Hc6=(h2, h3)
7

9. Функции, реализуемые программным комплексом

Разработанный программный комплекс позволяет:
принимать решения при диагностике технических
систем;
выполнять подготовку специалистов на предприятиях;
выступать
в роли тренажера и/или системы
тестирования уровня подготовки специалистов на
предприятии.
На основе генерации множества протоколов изучаются
возможные осложнения в процессе работы той или иной
технической системы, выявление и классификация
неполадок и т.п.
8

10. Заключение

1. В процессе выполнения диссертационного исследования проведён анализ задачи диагностики технических
систем, используемых в машиностроении. Показано, что для создания системы диагностики возможно
использование теории автоматизированного обучения систем. Обзор существующих стратегий позволил
выделить две методики, способные решать задачи выявления причинно-следственных связей и диагностики
технических систем при неполной входной информации. Это формальный концептуальный анализ и
абдуктивный вывод. При решении конкретных практических задач диагностики технических систем
выявлены значительные недостатки алгоритма формального концептуального анализа, в связи с чем,
дальнейшее его рассмотрение перестало быть актуальным.
2. На основе исследований теоретической базы абдуктивного вывода в работе доказана возможность
использования данного алгоритма для решения поставленной в диссертации задачи выявления причинноследственных связей и диагностики технических систем, используемых в машиностроении
3. Для решения задачи абдукции предложено использовать нейронную структуру. Представление в работе
практических примеров позволило убедиться в возможности использования нейросети в процессе принятия
решений. Доказано, что использование нейронных сетей является рациональным при решении задач
выявления причинно-следственных связей и диагностики с точки зрения скорости работы и способности к
самообучению (это позволяет свести к минимуму субъективность при принятии решений).
4. Выделен класс задач, при решении которых актуальным является определение рационального решения.
Формализация задачи нахождения рационального решения абдуктивного вывода определена свойством
минимальности входящих в решение компонент. На основе данной теории разработана методика нахождения
рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики
технических систем, использующая алгоритм нейронной сети Хопфилда. В работе также представлена
апробация данной методики.
5. Создана программная реализация решения задачи выявления причинно-следственных связей и диагностики
технических систем, используемых в машиностроении. В ее основу легли алгоритмы абдуктивного вывода и
нейронной сети Хопфилда. Данный программный комплекс позволяет автоматизировать процесс
диагностики технических систем, используемых в машиностроении, подготовки специалистов на
предприятиях, а так же вести оперативное консультирование по вопросам принятия обоснованного решения
в условиях реального времени.
9

11.

Спасибо за внимание!